Esempii di Regressione Lineare: Dumande è Discussione
A regressione lineare hè un metudu statisticu utilizatu per determinà a relazione trà duie o più variabili. Stu metudu hè largamente utilizatu in diversi campi, cumpresi l'ecunumia, l'affari, e scienze suciali è e scienze naturali. In questu articulu, discuteremu a regressione lineare, cumu calculalla è furniremu parechji esempi di prublemi cù spiegazioni per aiutà i lettori à capisce stu cuncettu in prufundità.
Capisce a Regressione Lineare
A regressione lineare hè un metudu analiticu utilizatu per mudellà a relazione trà una o più variabili indipendenti (predittori) è una variabile dipendente (risposta). A regressione lineare simplice implica una variabile indipendente è una variabile dipendente, mentre chì a regressione lineare multipla implica più di una variabile indipendente.
L'equazione di una linea di regressione lineare simplice hè:
\[ Y = a + bX \]
Induve:
– \(Y \) hè a variabile dipendente.
– \(X \) hè a variabile indipendente.
– \(a \) hè l'intercetta, chì hè u valore di Y quandu X = 0.
– \(b \) hè u cuefficiente di regressione, vale à dì, quantu cambia Y se X cambia di una unità.
Passi di Regressione Lineare
1. Raccoglie dati: Prima, raccoglie i dati da analizà.
2. Tracciate i dati: Create un graficu di dispersione per vede s'ellu ci hè una relazione lineare trà e variabili.
3. Calcula u Coefficientu di Regressione: Aduprate u metudu di i minimi quadrati per determinà a megliu linea.
4. Test di u mudellu: Verificate a significatività di i coefficienti di regressione cù un test t è determinate u valore R-quadratu per vede quantu bè u mudellu si adatta à i dati.
Esempi di dumande è discussione
Esempiu di dumanda 1: Regressione lineare simplice
Quistione:
Un ricercatore vole sapè a relazione trà u numeru d'ore di studiu (X) è i punteggi d'esame di i studienti (Y). I dati ottenuti sò i seguenti:
| Ore di Studiu (X) | Puntuazione di l'Esame (Y) |
|———————–|———————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Fate una equazione di regressione lineare da questi dati!
Discussione:
1. Calculà a media:
\[
X = 2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Calculu di u Coefficientu di Regressione \(b \):
\[
b = \frac{\sum (X_i – \bar{X})(Y_i – \bar{Y})}{\sum (X_i – \bar{X})^2}
\]
\[
\sum (X_i – \bar{X})(Y_i – \bar{Y}) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\sum (X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \circa 3.08
\]
3. Calculà l'intercetta \( a \):
\[
a = Y – b X
\]
\[
a = 80 – 3.08 × 5 = 80 – 15.4 = 64.6
\]
4. Equazione di regressione:
\[
Y = 64.6 + 3.08X
\]
Cusì, l'equazione di regressione lineare per i dati hè \(Y = 64.6 + 3.08X \). Questu significa chì ogni ora supplementaria di studiu hè prevista per aumentà u puntuatu di a prova di 3.08 punti.
Esempiu di dumanda 2: Test di mudellu è interpretazione
Quistione:
Cuntinuendu cù i stessi dati, calculate u valore R-quadratu (R²) per misurà quantu bè u mudellu si adatta à i dati. Inoltre, verificate a significatività di u cuefficiente di regressione \(b \).
Discussione:
1. Calculà a Somma Tutale di i Quadrati (SST), a Somma di i Quadrati di Regressione (SSR) è a Somma di l'Errori di i Quadrati (SSE):
\[
SST = \sum (Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \sum (\hat{Y}_i – \bar{Y})^2
\]
Induve \( \hat{Y}_i \) hè u valore previstu di l'equazione di regressione:
\[
Y_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
Y = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. Calculu di SSE:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. Calculà R-quadratu:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \circa 0.6
\]
Un valore R-quadratu di 0.6 indica chì stu mudellu spiega circa u 60% di a variazione di i dati. Questu indica chì a linea di regressione si adatta abbastanza bè à i dati.
4. Test t per a significatività di u coefficientu \(b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\sum (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = \sqrt{33.4} / \sqrt{26} \circa 1.13
\]
\[
t = \frac{3.08}{1.13} \circa 2.73
\]
Cù una \(t-statistica \approx 2.73\), s'è no usemu una soglia cumuna per a significatività (α = 0.05), a paragunemu cù a t-tabella. Per esempiu, per \(df = 3\), u \(t\) criticu hè circa 2.353. Allora \(t-osservatu > t-criticu\), chì indica chì u cuefficiente hè significativu.
Cunclusioni
In questu articulu, avemu trattatu i principii basi di a regressione lineare, cumu calculà u cuefficiente di regressione è l'intercetta, è cumu interpretà i risultati aduprendu esempi di prublemi. A pratica frequente cù diversi insemi di dati hè essenziale per diventà espertu in l'usu di questu metudu. A regressione lineare hè un strumentu preziosu in l'analisi di dati è pò furnisce informazioni approfondite nantu à e relazioni trà e variabili.
